frogstore18

Google aconseja eo el sitemap (por poner un ejemplo en formato xml) para
hacer un mejor rastreo de la informaciónque compone nuestros sitios web. Esto teóricamente les facilita bastante la vida por el hecho de que “guía” a sus
arañas o robotsrastreadores hasta el contenido relevante en un tiempo más reducido que si únicamente prosiguiesen enlaces o si tuvieran que determinar de manera autónoma qué contenido no ha de ser indizado. Hasta aquí todo bien.

En la práctica lo cierto es que
no es extraño encontrarse con Google saltándose a la torera el contenido de un fichero robots.txt, indexando páginas y ficheros en él contenidos, del mismo modo que son ignoradas de forma prácticamente azarosa las metaetiquetas robots que incluimos en el código de nuestras páginas. No siempre, pero más a menudo de lo que debería (que debería ser “nunca”). Dicho esto, habrá que conformarse con las herramientas que tenemos y aprender a manejarlas mejor.

Y es que en ocasiones
se configura incorrectamente el archivo robotsporque damos por supuestas algunas cosas, esperamos que con este artículo se aclaren determinados conceptos importantes que de manera frecuente afectan al tratamiento que Google hace de nuestros sitios. Empezaremos por lo más sencillo…

Configuración básica de robots.txt

El famoso “robots” es un archivo en formato .TXT que
podemos crear y editar con un simple bloc de notas o bien editor de textobásico (wordpad, notepad). Una vez creado habrá que darle ese nombre concreto (robots.txt) y colgarlo en el directorio raíz de nuestro sitio, ya que es el único lugar donde lo podrán localizar sin inconvenientes los buscadores. La
configuración básica del ficheros robotses bastante sencilla, incluye únicamente 2 parámetros: el robot al que nos dirigimos, y una instrucción dándole o bien quitándole permiso para indexar algo (un fichero, una carpetita, todo, nada).

En otras palabras, se trata de decirle a cada Bot (una suerte de rastreadores – arañas – que Google tiene bullendo por los millones de páginas web que existen para estar al día de su contenido y poder mostrarlo apropiadamente en los resultados de búsqueda) a qué información de manera expresa puede (o NO puede) acceder para leer y también indexar dicha información. Ni que decir debe, por defecto, si no se le afirma nada Google devorará toda la información a su paso y la incluirá en su mastodóntico índice de contenidos web.

Un
ejemplo fácil y básicodel contenido de un archivo robots.txt sería el siguiente:

Como puede apreciarse, primero se define el “user-agent” o Bot al que va dirigida la orden (bien el de Google web search, o Google Images, o Bing…) y después qué páginas deben ser ignoradas (con el comando
Disallow) o explícitamente indizadas (
Allow). En este caso diríase que para todos los robots (con un asterisco) deberán ignorarse -no indexarse- todas las páginas (con la barra “del siete”, así sin nada más detrás, le hacemos ver que es una orden para todo el directorio raíz).

Con este caso de ejemplo le vamos a estar diciendo al robot de
Bingque no rastree nada de nuestro sitio. Por omisión, el resto de robots incluido el de Google podrán rastrear y también indexar todo el contenido de nuestro lugar.

Un pasito más: le hemos dicho a
Bingque no indexe la carpetita “documentos”. En este caso
Googleindexará por omisión todo el contenido del sitio, al tiempo que Bing indexará todo excepto el contenido de la carpeta “documentos”. De este modo está claro que, para
definir una carpetita en el robots, hay que colocar (tras la barra inicial que irá siempre y en toda circunstancia) su nombre más una barra adicional al final.

Con este robots.txt estamos diciéndole a todos los robots que no indexen 3
páginas en concreto: “pagina1.html”, “pagina2.php” y “pagina3.html” que se encuentra en la carpetita documentos.

Hemos introducido el comando “
Allow” cuya función es la inversa al “Disallow” pero hemos quitado la barra “/” posterior, así que le decimos que
SÍ puede indexar NADA. A primer aspecto parece que esto debería marchar precisamente igual que un “Disallow: /” impidiendo la indexación del sitio al completo, pero en realidad no es así.

Estamos ante
uno de los errores más susceptibles de ser cometidosa la hora de configurar el archivo robots, por el hecho de que hay que tomar en consideración ciertas consideraciones esenciales en relación al
comando “Allow”que es bastante puñetero:

• 
  Sólo tiene sentido cuando se acompaña de un “Disallow”: se trata de una orden no restrictiva, así que cuando va “solo” no es aplicable. O sea, por defecto Google puede indexar todo, así que si únicamente se le dice qué SÍ puede indexar, le dará igual, seguirá indexando todo. Incluso en el caso del ejemplo anterior, donde se le afirma que SÍ puede indexar NADA, pasará de la orden y seguirá indexando todo.
  Cuidadocon esto.
• En la
  teoríalas reglas se aplican en orden, desde la primera, con lo cual
  los “Allow”, al ser excepciones a los “Disallow”, deberían ir primero. Aunque en la práctica los principales motores de búsqueda lo interpretarán bien si bien no lo hagas así.
• El comando
  “Allow” no es parte oficial del estándar, aunque Google y el resto de “los grandes” lo soportan con perfección, para ciertos robots puede llegar a ser incluso problemático.

Dudas frecuentes con el archivo robots: configuraciones avanzadas

Hasta aquí semeja fácil mas con el trastear continuo en el tiempo te van haciendo falta nuevas configuraciones y comienzan a surgir las dudas,
¿qué se puede hacer con el archivo robots?. Ahí van ciertas dudas que me ha tocado experimentar, bien en primera persona o bien a través de preguntas usuales con las que me he encontrado de compañeros del marketing online:

¿Qué pasa cuando la URL de la página acaba con una barra “/”?

A menudo sucede, especialmente en sitios montados sobre plataformas como
WordPress, que puede haber una página en nuestro sitio con esta estructura en su URL: “
midominio.com/servicios/“. En un caso así dicha URL es una página donde se muestran los servicios de una empresa, aunque posiblemente por debajo de ella existan páginas del tipo “
midominio.com/servicios/nombre-servicio1” o bien afín. Pero ¿cómo le afirmamos al robots
que excluya únicamente la página superior, sin que por este motivo “cape” todas y cada una de las que están por debajo? La tentación sería:

Pero como ya hemos dicho, en un caso así el robot entenderá que la orden afecta a
toda esa carpeta o directorio. Pero no es eso lo que queremos! Para decirle a los robots que sólo nos referimos a esa página concreta, tendremos que emplear el
operador dólar (“< por ciento -body() por ciento >#8221;)que sirve para detallar el
final de la URL. Así:

De esta forma le decimos al robot que
no indexe las URLs que acaben precisamente de esa forma, siendo la única URL de ese tipo la que deseamos desindexar precisamente. Y esto marketing de redes sociales conduce al empleo de expresiones regulares en robots.txt…

Usos de operadores en robots.txt (dólar y asterisco)

Aunque el ejemplo precedente nos sirve para explicar el empleo del “< por ciento -body() por cien >#8221; en el robots, lo cierto es que para sacarle el mayor jugo debe
emplearse junto al asterisco“*”. Este último marcha como un
comodín, sirve para decir “sustituyo a cualquiera cosa que pueda ir en mi lugar”. Mejor verlo con un ejemplo:

Ya hemos explicado que el dólar sirve para decirle que ahí termina la URL, que no puede llevar nada más por detrás aquello que deseemos aplicarle el “allow” o el “disallow”.

En el caso del asterisco le decimos que
puede sustituirlo por lo que quiera, siempre y cuando vaya seguido de “.htm”. O sea, puede haber varios niveles de carpetita por medio (por ejemplo “
/carpeta/subcarpeta/pagina.htm” también sería excluído).

De esta forma en el ejemplo le estamos diciendo a todos y cada uno de los robots que no indexen ningún fichero .
HTMsi bien les dejamos, a través del dólar, que indexen por poner un ejemplo todos y cada uno de los archivos con extensión .
HTML. Esto nos lleva a otra cuestión recurrente…

¿Cómo evitar la indexación de URLs con parámetros?

A menudo nuestro Content Management System nos produce
rutas con parámetroscomo “
midominio.com/index.php?user=1” que deseamos no sean indizadas al poder incurrir en duplicidad de contenidos. Siguiendo el patrón precedente y a sabiendas de que los parámetros vienen precedidos de una interrogación, habría que aplicar algo como esto:

Así le afirmamos que no indexe todo lo que comience por “lo que sea” mas que luego tenga una interrogación, seguido de lo que sea. auditoria marketing digital alguno se ha perdido en este último paso, que tendría la tentación de haber puesto “Disallow: /*?*” para cerciorarse de que después de la interrogación va algo más, los parámetros. Puesto que no, resulta que
este tipo de expresiones regulares suponen por defecto que, tras lo que le decimos, puede ir cualquier cosa. Por eso cuando afirmamos “Disallow: /servicios/” el robot entiende que todo cuanto vaya por detrás (ej: /servicios/auditoria) tampoco lo indexará, por el hecho de que responde al patrón definido.

Pero cuidado por el hecho de que esto es muy peligroso!! Un ejemplo lo tenemos a continuación:

¿Qué pasa cuando la URL de la página no tiene extensión (ej: no termina en “.html”)?

Pongamos que existe una página que no queremos indexar cuya URL es exactamente ésta: “/servicio”. Podríamos caer en el que posiblemente sea
el mayor fallo cometido con el uso del archivo robots.txta nivel mundial! :O

Algún listo dirá:
Así no, eso sirve para capar la carpeta “servicio” entera.


Pues tampoco precisamente. Realmente, como ya hemos explicado ya antes,
el robot va a comprender que detrás de eso puede ir cualquier cosa, es decir, va a excluir páginas como:

• /servicio
• /servicios
• /servicio-auditoria
• /servicio-consultoria/
• /servicio-consutoria/digital.html
• /serviciosweb/seo/yandex.php
• etc.

Entonces,
¿cómo excluyo esa página que no tiene extensión?Así:

De esta forma delimitamos dónde acaba la URL, eludiendo este
super-inconveniente que normalmente se pasa por altoal elaborar los ficheros robots.

¿Hay empresa publicidad google ads sevilla “/” después del nombre de la carpetita? ¿Qué pasa si no la pongo?

Esto ha quedado explicado con el punto anterior: si no se pone barra, el robots estará excluyendo todo cuanto empiece de esa manera, corresponda en concreto o no a dicho subdirectorio.

¿Pueden incluirse comandos Disallow y Allow en el mismo robots?

Así es. De hecho su
combinaciónpuede ser una forma de definir mejor qué cosas se deben indexar y cuáles no para una determinada carpetita (o para todo el sitio). Un ejemplo…

De esta forma le estaríamos diciendo que
SÍ indexela página general de servicios (“midominio.com/servicios/”) pero
NO indexelas páginas consecutivas con los servicios específicos (“midominio.com/servicios/auditoria”+”midominio.com/servicios/consultoria”+etc.).

Lo ideal es
usar primero el “Allow” que no es restrictivo(por defecto se entiende como permitido indexar todo), para más tarde incluir el “Disallow”. Así se facilita el trabajo a los robots más “torpes”.

¿Cómo se tratan las mayúsculas y minúsculas?

Hay que tener en consideración que
se distingue entre mayúsculas y minúsculas, en un caso así no sirve usar siempre y en toda circunstancia minúsculas. O sea, un comando tipo “Disallow: /pagina.html” sí permitiría que se indexase la página “
midominio.com/Pagina.html“.

¿Cómo configurar robots.txt para Wordpress?

A pesar de que
WordPress es una plataforma muy extendiday Google cada vez comprende mejor qué tiene que indexar y qué no, en la práctica siempre se cuelan cosas que “empañan” la calidad de la información indizada de nuestro sitio. Dado que la estructura de WP es común a todas las instalaciones, puede definirse un
robots tipo para WordPresscon las carpetitas donde el buscador no debería meter el hocico. Téngase en cuenta que esto son unos mínimos, a nada que tiremos de plantillas, plugins y personalizaciones, habrá otras nuevas carpetas que tendremos que “capar”:

Así se excluye la posible
indexación de carpetas de sistema y archivoscon extensiones que no interesa indexar. Manéjese de manera cuidadosa. De hecho lo MUY aconsejable es
que cada uno de ellos personalice su archivo robots.txten función del contenido y configuración de su sitio web, así sea bajo un Content Management System de código abierto como WP o cualquier otra plataforma.

Otras consideraciones: meta robots y sitemap

Recordar que
además del robots.txtes posible detallar la conveniencia o bien no de indexar una página a través de la
meta-etiqueta “robots”que puede ser incluida a nivel individual para cada una de las páginas del lugar. Simplemente se trataría de incluir algo similar a esto en el
<head>para cada caso:

<meta name=”robots” content=”noindex”>

Como por defecto todo es indexable, la etiqueta tiene más sentido cuando usamos el comando
“noindex”, pese a que también se puede especificar “index”.

En cuanto al
sitemap, dos consideraciones:

• Es posible
  incluir en el fichero robots.txt la ruta donde se encuentrael/los sitemap(s) del lugar, sería cuestión de añadir una línea tal que así: “
  Sitemap: /sitemap.xml” (o donde quiera que se halle tu sitemap).
• Incluir un sitemap para nuestro lugar no es restrictivo, o sea,
  Google va a indexar todo lo que pueda, independientemente de que esté en tu sitemap o no. Con él únicamente le asistimos a descubrir las páginas, los medios a fin de que no las indexe son los anteriormente expuestos.

Los bots de Google

Como ya se ha dejado entrever ya antes,
existen diferentes Bots/ Robots / Crawlers / Arañas que se pasan las horas muertas dando vueltas por la red de redes tragando información como locos. Por ser prácticos y puesto que
Googlese lleva como un 97 por ciento de las búsquedas estatales, vamos a especificar losy para qué sirven:

• 
  Googlebot: Es el bot “general” de Google, así que servirá para restringir todos los demás. Es decir, si nos limitamos a limitar a Googlebot vamos a estar restringiendo a Googlebot-News, Googlebot-Image, Googlebot-Video y Googlebot-Mobile.
• 
  Googlebot-News: Ayuda a limitar el acceso a las páginas o bien posts para su indexación en Google News. A colación de lo anterior, limitar a Googlebot supone no aparecer ni en la búsqueda de Google ni en Google News. Si sólo queremos aparecer en Google News habría que delimitar algo tal que así:
  

  User-agent: GooglebotDisallow: /User-agent: Googlebot-NewsDisallow:

  
  
• 
  Googlebot-Image: Servirá para delimitar el acceso a carpetas donde se contengan imágenes que no queremos sean indexadas. Ejemplo:
  

  User-agent: Googlebot-ImageDisallow: /fotos-verano/

  
  
• 
  Googlebot-Video: Lo mismo que lo precedente pero aplicado a la restricción para indexar vídeos.
• 
  Googlebot-Mobile: Aunque hay bastante polémica y misticismo, se supone que gestiona el contenido indexable para enseñar en búsquedas desde dispositivos móviles. Se supone.
• 
  Mediapartners-Google: Detalla las páginas que han de ser tenidas en cuenta por la parte de Google a la hora de enseñar publicidad de su red, pero sin afectar a su indexabilidad. Por servirnos de un ejemplo con este robots.txt se podrían enseñar anuncios de Google Adsense en nuestro sitio, a pesar de que éste no estaría indizado por Google:
  

  User-agent: GooglebotDisallow: /User-agent: Mediapartners-GoogleDisallow:

  
  
• 
  Adsbot-Google: Gestiona el acceso para el robot de Adwords encargado de valorar la calidad de la página de destino.

Tan esencial como lograr un alto ritmo de indexación, con los robots de Google visitando recurrentemente nuestros sitios más actualizados, será procurar que no se indexe información privada o contenido que pueda considerarse duplicado, entre otros muchos casos. Así que habrá que preocuparse en configurar el fichero robots.txt, las “meta robots” si fuera preciso, comunicarse con Google a través de Webmaster Tools, y todo cuanto está en nuestras manos. A partir de ahí toca rezar! XD